traductor

jueves, 26 de marzo de 2026

El viroma del pangolín saludable revela la diversidad viral en mamíferos y el riesgo zoonótico

 Los pangolines son los mamíferos más traficados del mundo y, por ello, están expuestos a:

  • estrés extremo

  • contacto con múltiples especies

  • condiciones sanitarias deficientes

Todo esto los convierte en puntos calientes de intercambio viral.

Hasta ahora, la mayoría de estudios se habían centrado en pangolines enfermos, lo que distorsiona la imagen real de qué virus forman parte de su ecosistema natural. Este estudio corrige ese sesgo analizando pangolines sanos.

El viroma del pangolín saludable revela la diversidad viral en mamíferos y el riesgo zoonótico

El estudio analiza el viroma (todos los virus presentes) en pangolines sanos, para entender qué virus portan y qué riesgo tienen de saltar a humanos.

No trata sobre crear virus ni sobre ingeniería genética: es un estudio de ecología viral y riesgo zoonótico.

El objetivo es caracterizar todos los virus presentes en pangolines sanos, algo que casi no se había hecho. La mayoría de estudios previos se centraban en pangolines enfermos, lo que sesga la visión del “viroma” real de la especie.

Este tipo de investigación es ecología viral, no ingeniería genética.

Los autores realizaron:

  • Metatranscriptómica en 83 pangolines sanos

  • Comparación con datos previos de 52 pangolines enfermos

La metatranscriptómica permite detectar todos los virus activos en un organismo, sin necesidad de cultivarlos ni manipularlos.

👉 Es un método descriptivo, no experimental ni de ingeniería viral.

Objetivos del estudio

  • Identificar virus presentes en pangolines sanos.

  • Evaluar si esos virus están relacionados con virus que infectan humanos.

  • Estimar el riesgo de zoonosis (salto animal‑humano).

Metodología

  • Secuenciación metagenómica de muestras de pangolines.

  • Clasificación de virus encontrados (familias, géneros, similitud genética).

  • Comparación con virus conocidos en humanos y otros mamíferos

Gran diversidad viral

Encontraron múltiples familias de virus, incluyendo:

  • Coronaviridae

  • Paramyxoviridae

  • Picornaviridae

  • Herpesviridae

  • Otros virus típicos de mamíferos.

En 83 pangolines sanos identifican 51 vOTUs (unidades taxonómicas virales) pertenecientes a 6 familias de virus típicos de mamíferos:

  • Parvoviridae

  • Picornaviridae

  • Papillomaviridae

  • Circoviridae

  • Flaviviridae

  • Paramyxoviridae

👉 Nada de coronavirus tipo SARS‑CoV‑2.

Coronavirus relacionados con otros virus animales

Detectaron coronavirus relacionados con virus de murciélagos y otros mamíferos, pero no SARS‑CoV‑2 ni un precursor directo.

 Evidencia de que los pangolines pueden actuar como hospedadores intermedios

El estudio sugiere que los pangolines pueden portar virus con potencial zoonótico, pero no afirma que sean el origen del SARS‑CoV‑2.

Comparación con pangolines enfermos

Usan datos previos de 52 pangolines enfermos y encuentran:

  • Algunos virus solo aparecen en los enfermos, como Orthopneumovirus hominis y Orthorubulavirus mammalis.

  • Esto sugiere que podrían estar implicados en la enfermedad, pero no es una prueba definitiva

  • Esto los convierte en candidatos a virus patógenos en pangolines.

Evidencia de recombinación y transmisión entre especies

Detectaron recombinación en virus de la familia Paramyxoviridae entre:

  • pangolines

  • perros domésticos

Esto indica flujo viral entre especies, algo típico en animales traficados o en contacto con humanos.

Co‑infecciones relevantes

Encuentran correlación fuerte entre dos parvovirus:

  • Copiparvovirus P171T/pangolin/2018

  • Pangolin protoparvovirus

Esto sugiere que podrían transmitirse juntos o compartir rutas de contagio.

Esto sugiere rutas de transmisión compartidas o sinergias entre virus.

Evaluación del riesgo zoonótico

Identifican 16 virus con potencial de infectar humanos, entre ellos:

  • Pangolin pestivirus

  • Manis javanica papillomavirus 1

👉 Esto NO significa que vayan a causar una pandemia. Significa que tienen características que merecen vigilancia.

Lo que sí aporta el estudio

  • Un mapa del viroma natural del pangolín.

  • Identificación de virus que podrían saltar a humanos.

  • Evidencia de transmisión entre especies en contextos de tráfico ilegal.

  • Bases para programas de vigilancia epidemiológica

Lo que NO implica

  • No estudia coronavirus tipo SARS‑CoV‑2.

  • No describe manipulación genética.

  • No realiza experimentos de ganancia de función.

  • No sugiere creación de virus en laboratorio.

  • No aporta evidencia sobre el origen del COVID‑19.

Es un estudio de ecología viral, no de ingeniería virológica.

No hay manipulación genética

Es un estudio puramente descriptivo

El estudio encaja en una línea de investigación común:mapear virus en animales salvajes para anticipar riesgos de zoonosis.

Este tipo de trabajos:

  • ayudan a identificar virus peligrosos antes de que salten a humanos

  • no implican creación ni modificación de virus

  • no aportan evidencia sobre el origen del SARS‑CoV‑2

Este artículo no contiene nada que sugiera creación o modificación de SARS‑CoV‑2.


Background Pangolins, the world’s most trafficked mammals, have emerged as critical subjects of study due to their potential role as intermediate hosts for zoonotic viruses. While previous studies have primarily focused on diseased pangolins, the virome composition of healthy individuals remains largely unexplored. Results To address this knowledge gap, we performed comprehensive metatranscriptomic analysis of 83 healthy pangolins, in comparison with virome data of 52 diseased individuals derived from previously published datasets. We identified 51 viral operational taxonomic units (vOTUs) across six mammalian-associated viral families: Parvoviridae, Picornaviridae, Papillomaviridae, Circoviridae, Flaviviridae, and Paramyxoviridae. Notably, we observed recombination in Morbillivirus canis isolate BJ16B35, Canine distemper virus strain PS, and UN_MBA191024-Paramyxoviridae-1 from pangolins and domestic dogs, suggesting cross-species transmission dynamics. Co-infection analysis revealed a strong positive correlation between Copiparvovirus P171T/pangolin/2018 and Pangolin protoparvovirus, suggesting possible shared transmission pathways. Several viruses, including Orthopneumovirus hominis and Orthorubulavirus mammalis, were exclusively detected in diseased pangolins, implicating their potential role in pathogenesis. Zoonotic risk assessment identified 16 vOTUs with high predicted potential for human infection, including Pangolin pestivirus and Manis javanica papillomavirus 1. Conclusions Our findings significantly expand our understanding of viral diversity in healthy pangolins and help distinguish commensal viral communities from potentially pathogenic ones. This research underscores the importance of continued wildlife viral surveillance for both conservation and public health preparedness

En conclusión, este estudio avanza significativamente en nuestra comprensión del viroma del pangolín y su relevancia para la vigilancia zoonótica. Al establecer perfiles virales de referencia en individuos saludables e identificar candidatos de alto riesgo, proporcionamos una base para un monitoreo y evaluación de riesgos más específicos. A medida que la vida silvestre continúa enfrentando presiones ambientales sin precedentes, la caracterización proactiva del viroma puede emplearse como una estrategia crítica en la preparación para la salud global, ofreciendo información importante sobre el panorama viral antes de que ocurran eventos de transmisión entre especies.

https://www.researchgate.net/publication/398955308_Healthy_pangolin_virome_reveals_mammalian_viral_diversity_and_zoonotic_risk

https://www.researchgate.net/scientific-contributions/Ben-Hu-2035360709

Conclusiones del estudio

Este estudio:

  • identifica candidatos de riesgo zoonótico

  • refuerza la importancia de vigilar fauna silvestre

  • Amplía el conocimiento del viroma de pangolines sanos.

  • Distingue virus “comensales” (habituales) de virus potencialmente patógenos.

  • Subraya la importancia de la vigilancia viral en fauna silvestre.

  • No menciona coronavirus tipo SARS‑CoV‑2.

  • No describe manipulación genética ni experimentos de laboratorio.

https://www.lavanguardia.com/internacional/20250126/10321018/cia-sospecha-covid-origino-laboratorio-wuhan-china.html

Documentos obtenidos por FOIA muestran que participó como investigador en proyectos financiados por agencias de EE. UU. (NIAID, USAID) sobre coronavirus, algunos catalogados como de “gain of function” por críticos

En algunos casos, modificar virus para estudiar qué cambios aumentan infectividad o tropismo - “gain of function”-

Es cierto que el WIV trabajaba con coronavirus de murciélagos cercanos a SARS‑CoV‑2 y que estudiaba qué mutaciones podían aumentar su capacidad de infectar humanos.

También es cierto que muchos virólogos consideran plausible que un virus de murciélago haya pasado a humanos mediante la cadena de comercio de fauna salvaje, sin necesidad de manipulación de laboratorio

Hasta ahora, no se ha publicado ningún constructo de laboratorio que sea el “padre” directo de SARS‑CoV‑2, ni una secuencia previa que encaje como “prototipo” diseñado. La comunidad científica, incluso quienes ven posible una fuga de laboratorio, reconoce que falta esa pieza clave

Posibilidades

Origen natural (zoonosis): Muchos estudios apuntan al mercado de Huanan y a la cadena de fauna salvaje como foco temprano, con varios linajes del virus circulando ya en diciembre de 2019. Esto encaja bien con un salto animal‑humano, aunque aún no se ha identificado el animal intermedio

Fuga de laboratorio: Algunos organismos de inteligencia de EE. UU. consideran “más probable” una fuga de laboratorio, pero con baja confianza y sin pruebas directas. 

Otros organismos se inclinan por origen natural.

 En conjunto, los propios informes oficiales reconocen que no hay prueba definitiva para ninguna de las dos hipótesis

https://www.thedailybeast.com/ben-hu-scientist-funded-by-us-got-sick-in-wuhan-before-covid-outbreak/

Tipo de trabajos científicos sí son relevantes para el debate sobre el origen del SARS‑CoV‑2

Estudios sobre coronavirus de murciélagos cercanos a SARS‑CoV‑2

Estos son los trabajos más relevantes porque:

  • describen virus similares al SARS‑CoV‑2

  • analizan su capacidad de infectar células humanas

  • estudian su evolución, recombinación y tropismo

Ejemplos de estudios relevantes (en general, no solo de Hu):

Secuenciación de coronavirus tipo SARS‑like

Trabajos que describen virus como:

  • RaTG13

  • BANAL‑52

  • RmYN02

  • SHC014

  • WIV1

Estos virus comparten entre 90–96% de identidad con SARS‑CoV‑2 y son claves para entender su origen.

✔️ Estudios de recombinación en coronavirus

Porque SARS‑CoV‑2 tiene señales de recombinación natural en su historia evolutiva.

Estudios de unión al receptor ACE2

Porque la afinidad del virus por ACE2 humano es una de sus características más llamativas.

Trabajos que implican cultivos virales, quimeras o experimentos de tropismo

Aquí es donde entra la parte más delicada del debate.

Estos estudios son relevantes porque:

  • manipulan coronavirus para estudiar su infectividad

  • crean virus quiméricos (combinando partes de distintos virus

  • prueban qué mutaciones aumentan la capacidad de infectar humanos

  • Este tipo de investigación no es evidencia de creación de SARS‑CoV‑2, pero sí es relevante porque:

    • muestra qué técnicas se usaban en ciertos laboratorios

    • indica qué virus estaban siendo manipulados

    • ayuda a evaluar si una fuga accidental es plausible

Ejemplos típicos (de distintos grupos de investigación):

✔️ Experimentos con SHC014 y WIV1

Estos son los famosos estudios que generaron virus quiméricos para probar infectividad en células humanas.

Propuestas de investigación como DEFUSE (no ejecutadas)

La propuesta de EcoHealth a DARPA incluía insertar sitios de corte tipo furina en coronavirus. DARPA no la financió, pero se cita mucho en el debate.

Estudios epidemiológicos y genómicos sobre los primeros casos humanos

Estos trabajos no tienen que ver con laboratorios, pero sí con el origen del virus.

Incluyen:

  • análisis de los primeros linajes (A y B)

  • estudios del mercado de Huanan

  • reconstrucciones filogenéticas

  • análisis de mutaciones tempranas

  • estudios de serología previa a diciembre de 2019

Estos trabajos ayudan a responder:

  • ¿circulaba el virus antes del brote oficial?

  • ¿hubo múltiples introducciones?

  • ¿hay evidencia de un animal intermedio?

🧩 ¿Qué trabajos de Ben Hu entran en estas categorías?

Aquí es donde se aclara mucho el panorama:

✔️ Relevantes para el debate

Los trabajos de Hu que estudian:

  • coronavirus de murciélagos tipo SARS‑like

  • infectividad en células humanas

  • tropismo viral

  • caracterización de proteínas spike

  • estudios de recombinación en coronavirus

Estos sí son relevantes porque se alinean con las líneas de investigación que podrían, en teoría, generar virus con propiedades parecidas a SARS‑CoV‑2.

No relevantes para el debate

Trabajos como:

  • estudios de viroma de pangolines

  • estudios de virus no relacionados con coronavirus

  • análisis ecológicos de fauna salvaje

  • papers sobre virus que no usan ACE2

Estos no aportan nada al debate sobre el origen del COVID, aunque a veces se citan erróneamente solo porque Hu aparece como coautor.

 En resumen

Los trabajos relevantes para el debate sobre el origen del SARS‑CoV‑2 son aquellos que:

  • estudian coronavirus muy similares al SARS‑CoV‑2

  • analizan su capacidad de infectar humanos

  • implican manipulación experimental de coronavirus

  • reconstruyen la evolución temprana del virus en humanos

Los estudios de viroma general (como el de pangolines que analizamos antes) no tienen relación directa con este debate

Publicat per a No hay comentarios:

martes, 17 de marzo de 2026

Descubriendo nuevas estructuras en el hígado

 Descubriendo nuevas estructuras en el hígado.

El hígado es un órgano multifuncional. Elimina toxinas de la sangre, produce bilis para la digestión y combate infecciones, entre cientos de funciones vitales. Sin embargo, exponerse a estos factores tiene un precio: la exposición prolongada a toxinas y al alcohol, pueden provocar daños y la formación de tejido cicatricial, conocido como fibrosis. En un nuevo estudio, investigadores examinaron el hígado de un ratón, primero haciendo que el tejido sea semitransparente. Después, con partículas fluorescentes que se depositan en diferentes estructuras, como el conducto biliar (verde) y la vena hepática (amarilla), se identificaron lugares donde las partículas verdes se filtran y se acumulan en el tejido circundante (círculo en rojo). Estas estructuras recién descubiertas, a las que denominan complejo lamelar periportal, podrían estar implicadas en los cambios que sufre el tejido hepático durante la fibrosis y ser un nuevo objetivo para fármacos


The liver is a multipurpose organ. It cleans toxins out of the blood, produces bile that helps with digestion, and helps to fight against infections, among hundreds of vital jobs. But putting itself in harm’s way comes at a price – prolonged exposure to toxins like alcohol can lead to damage and scar tissue called fibrosis. Here researchers zoom in on a mouse’s liver with an advanced microscope, first rendering the tissue semi-transparent by clearing away chemicals that block their view. Using fluorescent particles that settle in different structures like the bile duct (green) and hepatic vein (yellow), the team spot places where the green particles 'leak' and pool in the surrounding tissue. These newly discovered structures, which they call the periportal lamellar complex, may be involved in changes to the liver tissue during fibrosis and a future target for medical drugs.

https://bpod.org.uk/

Written by John Ankers


Publicat per a No hay comentarios:

Millones de complejos de proteínas añadidos a la base de datos AlphaFold arrojan luz sobre cómo interactúan las proteínas

 

Millions of protein complexes added to AlphaFold Database shed light on how proteins interact

This article is also available in Italiano.

Four-way collaboration brings together world-leading AI and biological expertise to make AI-predicted protein complex structures openly available to the global scientific community

Slime mold Dictyostelium discoideum protein complex Q55DI5 (AF-0000000066503175), annotated as a transcription elongation factor. The single chain looks disordered, but the homodimer reveals that two chains intertwine, each contributing half a domain to form a stable fold. An illustration of how predicting protein complexes reveals biology that single-protein models miss. Credit: AlphaFold Database, background by Karen Arnott/EMBL-EBI

A new collaboration between EMBL’s European Bioinformatics Institute (EMBL-EBI), Google DeepMind, NVIDIA, and Seoul National University has made millions of AI-predicted protein complex structures openly available through the AlphaFold Database. To maximise global health impact, the dataset prioritises proteins important for understanding human health and disease. This is the largest dataset of protein complex predictions currently available.

Proteins are the building blocks of life. They interact to create protein complexes which fulfil biological functions. By visualising protein interactions, scientists can uncover the molecular mechanisms that drive cell behaviour, identify what goes wrong when someone gets sick, and develop new drugs and therapies. Predicting the structure of protein complexes is extremely challenging because, in nature, proteins change shape and interact in many different ways. 

“Science thrives on collaboration,” said Jo McEntyre, Interim Director of EMBL-EBI. “By making this foundational protein complex dataset openly available to the world, we’re inviting researchers to test, refine, and build on it to drive the next wave of biological discoveries.”

Protein complexes for global health impact

The latest AlphaFold Database update spans millions of homodimers – protein complexes formed of two identical proteins. It focuses on 20 of the most studied species, including humans, as well as the World Health Organization’s priority pathogens list. This approach aims to bring significant and immediate value for global health challenges.

“By expanding the AlphaFold Database to include protein complexes, we are addressing a critical need expressed by the scientific community,” said Anna Koivuniemi, Head of the Google DeepMind Impact Accelerator. “We hope that by lowering the barrier to these complex predictions, we can empower researchers everywhere to pursue the next wave of discoveries that could ultimately improve human health on a global scale.”

Scientific expertise meets technical innovation

The collaboration builds on Google DeepMind’s AI system AlphaFold, which, since 2021, accurately predicted the structure of millions of proteins. To democratise access to AlphaFold predictions, Google DeepMind and EMBL-EBI developed the AlphaFold Database, an open resource that anyone can access. The database has over 3.4 million users from 190 countries. 

Through ongoing dialogue with the scientific community, a clear need emerged to expand the AlphaFold database to include protein complexes. In response to this need, EMBL-EBI, Google DeepMind, NVIDIA, and Seoul National University teamed up, contributing specialist expertise and resources, to calculate and integrate millions of protein complexes into the AlphaFold Database. 

“By making this foundational dataset openly available to the world, we’re inviting researchers to test, refine, and build on it to drive the next wave of biological discoveries.”

The collaboration brought together deep biological expertise and technical innovations. NVIDIA and the Steinegger Lab at the Seoul National University developed the methodology, based on Google DeepMind’s AI system AlphaFold, including accelerations to multiple sequence alignment calculations and deep learning inference. NVIDIA provided cutting-edge AI infrastructure and scaled out inference pipelines to overcome limitations that historically made this scale of calculations challenging. EMBL-EBI enabled the collaboration by bringing the other parties together and contributing expertise in scientific and biodata management, as well as analysis. As a champion of open science, EMBL-EBI, together with Google DeepMind, integrated the new dataset into the AlphaFold Database. 

“NVIDIA’s ambition is to consistently contribute orders-of-magnitude accelerations for fundamental digital biology workloads, enabling what was not possible before,” said Anthony Costa, NVIDIA Director of Digital Biology. “This release is a great example of how AI infrastructure and software can uniquely enable new scales of biological understanding.”

“By making predicted protein complexes accessible at an unprecedented scale, we are illuminating an unseen landscape of molecular interactions across the tree of life,” explained Martin Steinegger, Associate Professor at Seoul National University.

Open science at scale

It takes a blend of AI-scale infrastructure and deep technical knowledge in accelerating complex workflows to generate AI predictions for protein complexes at this scale. The collaboration is centrally hosting data that would otherwise require around 17 million hours of GPU (graphics processing unit) computing to recreate.

By making these calculations once and adding the information into the AlphaFold Database, this collaboration aims to help democratise access to protein complex predictions. It enables scientists everywhere to investigate how proteins interact in the vast protein universe, and accelerate discoveries that could lead to new medicines, new products, and a deeper understanding of life itself.

“This release is a great example of how AI infrastructure and software can uniquely enable new scales of biological understanding.”

This is the first step in an ambition to add a wide range of protein complex structure predictions to the AlphaFold Database. The partnership has already calculated predictions for 30 million complexes. Of these, 1.7 million high-confidence homodimer predictions have been added to the AlphaFold Database. Another 18 million are lower-confidence homodimers, which will be made available as a list and for bulk download from the EMBL-EBI FTP server in the coming days. The rest are heterodimers, currently being analysed and assessed. More protein complex predictions will be calculated and high-confidence predictions will be added to the AlphaFold Database in the coming months. The work is described in more detail in this preprint.

“The human genome has just over 20,000 different proteins. Despite this relatively small genome, human beings display incredibly complex pathways, processes and regulation. Much of this complexity arises from the intermolecular interactions between proteins, and with small molecule ligands and DNA. Adding predicted protein-protein homodimeric interactions to the AlphaFold Database is a first step towards a comprehensive description of the human interactome, the basis by which human biology will be described and understood. This has relevance for the design of new therapeutics, understanding host-pathogen interactions, and more. Making these structures accessible to all, allows every researcher around the world to build on these data, moving one step closer to predicting the biology of life,” said Dame Janet Thornton, Director Emeritus of EMBL-EBI. 

Milioni di complessi proteici aggiunti al Database Alphafold fanno luce su come le proteine interagiscono

Una collaborazione internazionale mette insieme le principali competenze mondiali nell’AI e nella biologia per rendere accessibili alla comunità scientifica globale le predizioni delle strutture dei complessi proteici.

Una nuova collaborazione tra l’Istituto di Bioinformatica dell’EMBL (EMBL-EBI),
Google DeepMind, NVIDIA, e la Seoul National University, ha reso accessibili le predizioni basate sull’AI di milioni si strutture di complessi proteici attraverso il Database Alphafold. Per massimizzare l’impatto sulla salute globale, il dataset ha dato priorità alle proteine importanti per la comprensione della salute umana e delle malattie. Questo è il più grande dataset attualmente disponibile di previsioni sui complessi proteici.

Le proteine sono i mattoni della vita. Interagiscono tra loro per formare complessi proteici che svolgono funzioni biologiche. Visualizzando le interazioni tra proteine, gli scienziati possono scoprire i meccanismi molecolari che guidano il comportamento delle cellule, identificare cosa non funziona quando una persona si ammala e sviluppare nuovi farmaci e terapie. Prevedere la struttura dei complessi proteici è estremamente difficile perché, in natura, le proteine cambiano forma e interagiscono in molti modi diversi.

“La scienza progredisce attraverso la collaborazione”, ha detto Jo McEntyre, Direttrice ad Interim dell’EMBL-EBI. “Rendendo questo dataset di complessi proteici disponibile alla comunità scientifica, invitiamo i ricercatori a testarlo, perfezionarlo e svilupparlo ulteriormente, per guidare la prossima ondata di scoperte biologiche”.

Complessi proteici per un impatto sulla salute globale

L’ultimo aggiornamento del Database Alphafold comprende milioni di omodimeri – complessi proteici formati da due proteine identiche. Si concentra su 20 delle specie più studiate, tra cui l’uomo, oltre che sulla lista dei batteri patogeni considerati prioritari dall’Organizzazione Mondiale della Sanità. Questo approccio mira ad avere un impatto significativo e immediato per affrontare le sfide della salute globale.

“Espandere il Database Alphafold con l’aggiunta dei complessi proteici risponde ad un’esigenza critica espressa dalla comunità scientifica”, ha detto Anna Koivuniemi, a capo dell’Impact Accelerator di Google DeepMind. “Ci auguriamo che, rendendo
accessibili queste informazioni, consentiremo ai ricercatori di tutto il mondo di guidare la prossima ondata di scoperte, che potrebbero migliorare la salute umana su scala globale”.

L’esperienza scientifica incontra l’innovazione tecnologica

La collaborazione si basa sul sistema di AI sviluppato da Google DeepMind – Alphafold – che dal 2021 ha previsto con elevata precisione la struttura di milioni di proteine. Per democratizzare l’accesso alle previsioni di Alphafold, Google DeepMind e EMBL-EBI hanno sviluppato il Database Alphafold, una risorsa aperta accessibile a chiunque. Il database conta oltre 3,4 milioni di utenti provenienti da 190 paesi.

Attraverso un dialogo continuo con la comunità scientifica, è emersa la necessità di espandere il Database Alphafold per includere anche i complessi proteici. In risposta a questa esigenza, EMBL-EBI, Google DeepMind, NVIDIA e la Seoul National University hanno unito le forze, contribuendo con competenze specifiche e risorse per calcolare e integrare milioni di complessi proteici nel Database Alphafold.

“Rendendo questo dataset di complessi proteici disponibile alla comunità scientifica, invitiamo i ricercatori a testarlo, perfezionarlo e svilupparlo ulteriormente, per guidare la prossima ondata di scoperte biologiche”

NVIDIA e il gruppo di Steinegger alla Seoul National University hanno sviluppato la metodologia, basata sul sistema di AI di Google DeepMind Alphafold, includendo accelerazioni nei calcoli di allineamento di sequenze multiple e nelle previsioni di deep learning. NDIVIA ha fornito infrastrutture di AI all’avanguardia e ha ottimizzato le pipeline di calcolo per superare i limiti che storicamente rendevano difficile eseguire calcoli su larga scala. EMBL-EBI ha reso possibile la collaborazione riunendo le diverse parti e contribuendo con competenze nella gestione e nell’analisi dei dati scientifici e biologici. Come sostenitore della open science, EMBL-EBI insieme a Google DeepMind ha integrato il nuovo dataset nel Database Alphafold.

“L’ambizione di NVIDIA è di fornire costantemente accelerazioni di ordini di grandezza per i processi fondamentali della biologia digitale, permettendo ciò che prima non era possibile”, ha dichiarato Anthony Costa, Direttore di Digital Biology di NVIDIA. “Questa espansione del Database è un ottimo esempio di come infrastruttura e software basati su AI possano raggiungere nuovi livelli di comprensione scientifica”.
“Rendendo le previsioni sui complessi proteici accessibili su una scala senza precedenti, stiamo illuminando un panorama fino ad ora invisibile di interazioni molecolari lungo l’albero della vita”, ha spiegato Martin Steinegger, Professore Associato presso la Seoul National University.

Open science su larga scala

Per accelerare processi complessi e generare previsioni AI sui complessi proteici, è necessario un mix di infrastrutture AI su larga scala e accurata conoscenza tecnica. La collaborazione ospita centralmente dati che, altrimenti, richiederebbero circa 17 milioni di ore di calcolo GPU (graphics processing unit) per essere ricreati.

Rendendo questi calcoli disponibili una sola volta e integrando le informazioni nel Database Alphafold, la collaborazione mira a democratizzare l’accesso alle previsioni sui complessi proteici. Questo permette agli scienziati di tutto il mondo di studiare come le proteine interagiscono nell’immenso universo biologico e di accelerare scoperte che potrebbero portare a nuovi farmaci, nuovi prodotti e a una comprensione più profonda della vita stessa.

“Questo risultato è un ottimo esempio di come infrastruttura e software basati su AI possano raggiungere nuovi livelli di comprensione scientifica”

Questo è il primo passo verso l’ambizione più ampia di includere una vasta gamma di previsioni di strutture di complessi proteici al Database Alphafold.
La partnership ha già calcolato previsioni per 30 milioni di complessi. Di questi, 1,7 milioni di previsioni di omodimeri ad alta affidabilità sono state aggiunte al Database Alphafold. Altre 18 milioni di strutture di omodimeri, con affidabilità più bassa, sono disponibili come liste per il download in blocco. Il resto delle strutture sono eterodimeri, attualmente in fase di analisi e valutazione. Ulteriori previsioni di complessi proteici saranno calcolate e quelle ad alta affidabilità saranno integrate nel Database Alphafold nei prossimi mesi. Il lavoro è descritto più in dettaglio in un preprint.

“Il genoma umano contiene poco più di 20.000 proteine diverse. Nonostante questo genoma relativamente piccolo, gli esseri umani mostrano percorsi, processi e regolazioni incredibilmente complessi. Gran parte di questa complessità deriva dalle interazioni intermolecolari tra proteine, ligandi di piccole molecole e DNA. Aggiungere le previsioni di interazioni proteina-proteina omodimeriche al Database
Alphafold è un primo passo verso una descrizione completa dell’interattoma umano, la base su cui sarà descritta e compresa la biologia umana. Questo ha rilevanza per progettare nuovi farmaci, comprendere le interazioni ospite-patogeno e molto altro. Rendere queste strutture accessibili a tutti permette a ogni ricercatore nel mondo di basarsi su questi dati, e di avvicinarsi sempre di più alla predizione della biologia della vita”, ha dichiarato Dame Janet Thornton, Direttrice Emerita di EMBL-EBI

Publicat per a No hay comentarios:

domingo, 15 de marzo de 2026

Las vacunas contra el cancer

 

Clinical development of cancer vaccines

https://www.nature.com/articles/s41591-026-04241-9

Las vacunas contra el cáncer están demostrando una marcada eficacia contra los cánceres refractarios y formarán parte del arsenal terapéutico del futuro

. Además, en última instancia, se utilizarán para la prevención en personas de alto riesgo


Clinical development of cancer vaccines

Nature Medicine (2026)Cite this article

Abstract

The limitations of current immune checkpoint inhibitor therapies highlight a need for improved strategies to expand tumor-reactive T cell repertoires in a way that is safe, selective and efficient. Cancer vaccines hold potential to achieve this goal, but the profound success of vaccines for infectious diseases has not yet translated to the cancer setting. Recently, however, encouraging preliminary results from phase 1 and 2 clinical trials have renewed enthusiasm and spurred the initiation of large-scale cancer vaccine trials. In this Review, we highlight insights from recent clinical trials, translational studies and preclinical models, which reveal critical factors for optimizing cancer vaccines. Key strategies include definition of improved proxies to estimate vaccine efficacy, selection of high-quality antigens—particularly neoantigens—using modular vaccine platforms with innate immunostimulatory capabilities, and a focus on early-stage cancer, as exemplified by (neo)adjuvant therapies. We discuss each of these in detail, outlining a roadmap for future cancer vaccine development

Ejemplo entrada anterior

https://articulosclaves.blogspot.com/2026/03/increible-aplicacion-arn-m-secuenciar.html

https://news.unsw.edu.au/en/paul-is-using-ai-to-fight-his-dogs-incurable-cancer

Publicat per a No hay comentarios:

sábado, 14 de marzo de 2026

Biopython Tutorial

Biopython Tutorial

https://biopython.org/docs/latest/Tutorial/
https://ucodemy.github.io/pybioq/11_Biopython/

Biopython es el paquete de Python más utilizado en el ámbito de la biología computacional, con una gran cantidad de herramientas útiles en bioinformática.

Esta librería fue creada en el año 1999 por Brad Chapman y Jeff Chang, y actualmente está soportada por el Proyecto Biopython, una asociación de desarrolladores de herramientas en el lenguaje informático Python

En primer lugar debe instalar el paquete biopython. Para ello, como se explicó en el apartado PyCharm, vaya a la ventana de Python Packages e instálelo


https://www.bing.com/videos/riverview/relatedvideo?q=biopython+tutorial+en+espa%c3%b1ol&mid=0A394A8CF39BD3FFBD2D0A394A8CF39BD3FFBD2D&FORM=VIRE

 En este apartado se le ha enseñado una serie de funcionalidades de Biopython que seguro que le serán de ayuda, pudiendo trabajar a su antojo con archivos FASTA desde la terminal de Python.

No obstante, debe saber que Biopython permite realizar funciones muy avanzadas, como trabajar con archivos de secuenciación (filtrado, indexado..), realizar alineamientos múltiples (basado en herramientas como MUSCLE o ClustalW) o análisis de motivos de secuencias.

Si quiere profundizar en sus conocimientos sobre el paquete Biopython, le recomendamos que acceda al libro de cocina de Biopython.

El IDE PyCharm fue creado por la compañía JetBrains, y está disponible para los sistemas operativos Windows, Mac y Linux. La Community Edition es gratuita y contiene todas las funcionalidades necesarias para un uso principiante - intermedio, que serán más que suficientes. La instalación con el asistente no es complicada y requiere 840 MB en el sistema de archivos

https://ucodemy.github.io/pybioq/3_Pycharm/


Biopython es el paquete de bioinformática más grande y popular para Python. Contiene varios submódulos diferentes para tareas bioinformáticas comunes. Está desarrollado por Chapman y Chang, principalmente escrito en Python. También contiene código C para optimizar la parte de cálculo compleja del software. Funciona en Windows, Linux, Mac OS X, etc.

Básicamente, Biopython es una colección de módulos de Python que proporcionan funciones para lidiar con operaciones de secuencia de ADN, ARN y proteínas, como el complemento inverso de una cadena de ADN, encontrar motivos en secuencias de proteínas, etc. como GenBank, SwissPort, FASTA, etc., así como envoltorios / interfaces para ejecutar otras herramientas / software de bioinformática populares como NCBI BLASTN, Entrez, etc., dentro del entorno de Python. Tiene proyectos hermanos como BioPerl, BioJava y BioRuby

https://tutoriales.edu.lat/pub/biopython/biopython-installation/biopython-instalacion

https://www.jetbrains.com/help/pycharm/installation-guide.html

https://www.jetbrains.com/help/pycharm/quick-start-guide.html

https://www.jetbrains.com/guide/python/

https://tutoriales.edu.lat/pub/biopython?alias=tutorial-de-biopython

https://github.com/SouthernBio/Biopython-ES

Publicat per a No hay comentarios:
Suscribirse a: Comentarios (Atom)